自顶向下协同装配设计中的耦合结构参数协同计算_张书亭

  • 格式:pdf
  • 大小:366.59 KB
  • 文档页数:5

自顶向下协同装配设计中的

耦合结构参数协同计算

张书亭1 高曙明1 杨友东1,2 陈 翔1

1.浙江大学CAD&CG国家重点实验室,杭州,310058

2.浙江工业大学之江学院,杭州,310024

摘要:提出了自顶向下协同装配设计中的耦合结构参数的协同计算方法。针对耦合结构参数协同

计算的模糊性和分布性,采用三角模糊数表示设计参数,通过效用函数表示设计者的设计经验和偏好;

通过设计者协商建立以效用为目标的优化模型并利用遗传算法进行优化求解。在满足产品功能需求的

前提下,该方法可满足分布在异地的设计者的设计经验和偏好。机械手协同装配设计的耦合结构参数

协同计算实例验证了该方法的有效性。

关键词:自顶向下;协同装配设计;耦合结构参数;效用函数;三角模糊数;遗传算法

中图分类号:TP391.7 文章编号:1004—132X(2009)12—1484—05

CollaborativeCalculationofCoupledStructuralParametersforCollaborativeTop-downAssemblyDesign

ZhangShuting1 GaoShuming1 YangYoudong1,2 ChenXiang1

1.StateKeyLabofCAD&CG,ZhejiangUniversity,Hangzhou,310058

2.ZhijiangCollege,ZhejiangUniversityofTechnology,Hangzhou,310024

Abstract:Anapproachwaspresentedforthecollaborativecalculationofcoupledstructuralparam-

etersduringcollaborativetop-downassemblydesign.Tomeettherequirementsofthecollaborative

calculationofcoupledstructuralparameterswhichwereimpreciseanddistributed,triangularfuzzy

numberswereadoptedtorepresenttheimpreciseparametersandutilityfunctionswereutilizedtoex-

pressthedesigners'preferenceswhichreflectedtheirknowledgeandexperiences.Thedesignerscol-

laborativelyestablishedtheoptimizationmodelwhichtookutilityastheobjective.Geneticalgorithm

wasusedtosolvetheoptimizationmodel.Theapproachwasverifiedthroughanexampleofcollabora-

tivecalculationofcoupledstructuralparametersduringthecollaborativetop-downdesignofamanip-

ulator.

Keywords:top-down;collaborativeassemblydesign;coupledstructuralparameter;utilityfunc-

tion;triangularfuzzynumber;geneticalgorithm

收稿日期:2008—07—18

基金项目:国家自然科学基金资助项目(60574061,60736019);

国家863高技术研究发展计划资助项目(2007AA04Z149)0 引言

复杂机械产品的设计,特别是创新设计是多

个设计者参与的、自顶向下的设计过程[1],由于这

个设计过程很复杂,因此目前的研究集中在概念

设计结束后,设计者协同进行装配设计的阶段[2]。

耦合结构参数的协同是上述自顶向下协同装配设

计的关键问题之一,即在早期设计阶段,分布在异

地的设计者基于产品功能需求相互协商、协同计

算彼此相关的关键结构参数。耦合结构参数协同

计算具有分布性和模糊性,其相关研究工作主要

集中在面向单个设计者的参数计算方面,包括基

于约束网络的方法[3-5]、基于模糊理论的方法[6-8]、

基于效用理论的方法[9-10]等,这些方法没有考虑协同设计环境下多人计算的特点,且基于效用理

论的方法对约束方程的建立具有特殊要求[9],也

难以同时处理离散和连续参数的计算。本文基于

模糊理论处理耦合结构参数协同计算的模糊性,

采用效用理论处理设计者的设计知识和偏好,设

计者协商建立以效用为目标的优化模型并用遗传

算法进行优化求解。

1耦合结构参数协同计算的相关概念

(1)效用函数向量。用三角模糊数表示模糊

设计参数,假设这类参数个数为nf,其他参数个数

为np,采用效用函数描述模糊参数取值的优先程

度,所有模糊设计参数的效用函数表示为效用函

数向量:

U=(u1(x),u2(x),…,ui(x),…,unf(x))T(1)

(2)责任向量。责任向量表示每个效用函数

所对应的设计者,表示为·1484·中国机械工程第20卷第12期2009年6月下半月P=(p1(x),p2(x),…,pi(x),…,pnf(x))(2)

其中,pi(x)(i=1,2,…,nf)表示第i个模糊设计

参数的效用函数对应的设计者集合,这些设计者

共同协商确定对应设计参数x的效用函数。

(3)设计者权重向量。设计者权重表示各个

设计者在设计过程中的权威性,表示为

A=(a1,a2,…,ai,…,aq)(3)

其中,ai表示第i个设计者的决策权重。

(4)效用权重向量。效用权重表示各个参数

对应效用的重要程度,表示为

W=(w1,w2,…,wi,…,wnf)(4)

其中,wi表示第i个模糊设计参数效用的重要程度。

2基于模糊理论和效用理论的耦合结构

参数协同计算

用三角模糊数表示模糊设计参数,用效用函

数表示设计者的设计经验和偏好;设计者协同定

义相关耦合结构参数,协商确定相关模糊设计参

数的效用并基于物理原理建立相关工程约束;然

后以效用最大化为目标,建立耦合结构参数协同

计算的优化模型,并利用遗传算法进行求解。上述

耦合结构参数协同计算流程如图1表示,其关键

是耦合结构参数协同计算优化模型的建立和

求解。

图1耦合结构参数协同计算流程图

2.1耦合结构参数协同计算的优化模型

耦合结构参数协同计算的优化模型以效用最大化为目标,以模糊结构参数的区间范围以及工

程约束为约束条件,其建立过程包括三个步骤。

2.1.1 确定单个设计参数的效用

单个参数的效用函数可以由设计者基于其经

验知识确定,或通过工程数据进行拟合得到[9]。由

式(1)和式(2)知,单个结构参数的效用及其对应

的设计者集合分别为ui(x)、pi(x)(i=1,2,…,

nf),pi(x)对应集合的成员为pi1,pi2,…,pik,假

设每个成员的权重为apij(即式(3)中的权重分

量),设计者相对于模糊设计参数效用的权重为

βi=∑k

j=1apij(5)

将式(5)归一化,得

λi=βi/βtot βtot=∑nf

i=1βi(6)

考虑到每个模糊设计参数效用权重为wi,结

合三角模糊数的隶属度μi(x),每个模糊设计参

数对应的效用最终表示为

Ugi=wiλiui(x)μi(x)(7)

2.1.2 建立总体效用优化目标

设计参数效用优化目标表示为

maxx∈X{U(x)}

U(x)=(Ug1(x),Ug2(x),…,Ugnf(x)

)T(8)

式中,X为设计参数向量。

对于式(8),各个设计者的效用值在求解过程

中可能存在冲突,因而要使不同设计者的设计效

用同时达到最优值,一般比较困难。转化为单一目

标是解决上述多目标优化的常用方法,通常采用

的转化方法包括加权线性组合、平方和加权法和

功效系数法,由于各个模糊参数的效用在计算过

程中已考虑权重信息,因此前两种组合方式采用

相等的权重,从而转化为线性求和方式。最终的目

标函数如下(具体采用哪种方式,由设计者在协同

计算过程中协商选择):

线性组合法

Ug=∑nf

i=1Ugi(9)

式中,Ug为总体效用目标。

平方和法

Ug=-∑nf

i=1ΔUgi=-∑nf

i=1(1-Ugi)2(10)

功效系数法

Ug=∏nf

i=1Ugi(11)

2.1.3 建立耦合结构参数协同计算优化模型

三角模糊数表示为A~=(l,m,t),其中,l、m、

t分别为A~的上界、中值、下界。将A~的上下界转化·1485·自顶向下协同装配设计中的耦合结构参数协同计算———张书亭 高曙明 杨友东等为约束,去掉模糊性,有

li≤xi≤ti i=1,2,…,nf(12)

工程约束包括等式和不等式约束,表示为

gi(x)≤0 i=1,2,…,o

hj(x)=0j=1,2,…,p(13)

式中,o、p分别为不等式和等式的个数。

耦合结构参数协同计算归结为:在满足约束式

(12)、式(13)的前提下,满足总体效用最大化,即

X=(x1,x2,…,xn)∈Rn

min Umin=-Ug

s.t.gi(x)≤0 i=1,2,…,o

hj(x)=0 j=1,2,…,p

lk≤xk≤tk k=1,2,…,nf(14)

2.2基于遗传算法的优化求解

遗传算法(GA)能以较大概率在有限时间内

求得整体最优解,是求解式(14)的有效手段[11-12]。

本文提出基于改进的自适应罚函数的遗传算法求

解式(14),其基本思想是,通过自适应罚函数将上

述问题转化为仅有区域约束的优化问题,且同时处

理连续和离散变量参数,主要步骤如下。

(1)如果nf=0,即没有模糊设计参数,则式

(14)退化为一般的方程组求解,此方程组包括不

等式和等式方程,采用数值方法求解后算法结束。

如果nf≠0,此时求解分成两步:首先,令每个模

糊设计参数都取中值,即对于xi=(l,m,t),令

xi=m;然后进行方程组求解,如果有解,输出所

有参数结果,算法结束,否则表示模糊设计参数的

效用结果可能存在冲突,跳转到(2)。

(2)假设满足约束条件的解的集合为F*,则

约束条件用罚函数并入到目标函数:

F(x)=Uminx∈F*

Umin+penaltyf(x)x F*(15)

一般的自适应罚函数只考虑遗传算法过程中

进化代数的反馈[13],这里采用的罚函数不仅考虑

遗传算法计算过程中进化代数的反馈,同时考虑

个体约束偏离的分布情况:

penaltyf(x)=t0.5∑o+p

k=1(Sk(x))2e[τ/(o+p)](16)

Sk(x)=max(0,gk(x)) k=1,2,…,o

|hk-o(x)| k=o+1,o+2,…,o+p

(17)

式中,t为进化代数;τ为对应个体的约束不满足的个数。

通过罚函数penaltyf(x),式(14)转化为仅

有区域约束的优化问题F(x)。

(3)利用遗传算法,求解以F(x)为目标的优

化问题。处理连续和离散变量的方法如下(对设计

参数采用12位长二进制编码):①如果设计参数v为连续的,假设其区间为[B,U],则从编码空间

到设计参数空间的映射为

dbv=B+(U-B)α/212(18)

式中,α为进化计算过程中的基因二进制编码;dbv为对应

的参数数值。

②如果设计参数v为离散的,假设其离散数据集

合为VS={v1,v2,…,vr},其中的元素从小到大